Detección temprana de la enfermedad renal crónica basada en un modelo de aprendizaje automático mejorado con SURD

Área de la Ciencia:

• Informática Biomédica
• Aprendizaje Automático en Atención Médica
• Inferencia Causal

Sus antecedentes:

• La enfermedad renal crónica (ERC) representa un desafío significativo para la salud mundial.
• La predicción precisa y temprana del riesgo de ERC es crucial para un manejo eficaz del paciente.
• Los modelos de predicción actuales a menudo carecen de interpretabilidad y generalización.

Objetivo del estudio:

• Desarrollar y validar un marco novedoso de predicción de ERC que integre el aprendizaje automático con la teoría de la información causal (Descomposición Única Redundante Sinérgica - SURD).
• Mejorar tanto el rendimiento predictivo como la interpretabilidad de los modelos de riesgo de ERC.
• Evaluar la generalización del marco propuesto utilizando validación externa.

Principales métodos:

• Desarrollo de diez modelos de clasificación utilizando el conjunto de datos UCI-CKD.
• Aplicación de imputación múltiple para datos faltantes y técnica de sobremuestreo de minorías sintéticas para desequilibrio de clases.
• Validación externa utilizando una cohorte de registros de salud electrónicos a gran escala (base de datos MIMIC-IV).
• Evaluación del rendimiento del modelo utilizando precisión, exactitud, exhaustividad, puntuación F1 y AUC.
• Análisis de descomposición causal e importancia de características utilizando SURD.

Principales resultados:

• El modelo Random Forest exhibió una generalización superior en la cohorte externa MIMIC-IV, logrando un AUC de 0.990.
• El marco guiado por SURD identificó predictores establecidos de ERC como la creatinina sérica y la hemoglobina.
• El análisis SURD proporcionó información interpretable sobre las relaciones causales y la importancia de las características.
• El marco propuesto demostró un rendimiento robusto y estable en diferentes conjuntos de datos.

Conclusiones:

• El marco de aprendizaje automático guiado por SURD ofrece un enfoque potente e interpretable para la estratificación temprana del riesgo de ERC.
• El estudio destaca la importancia de la validación externa para evaluar la generalización del modelo en entornos clínicos del mundo real.
• Este enfoque integrado mejora la fiabilidad y la utilidad clínica de los modelos predictivos para la enfermedad renal crónica.